随着金融科技对数据分析和解读的不断加深,数据有效性变得尤为重要。在信息时代,数据随时间快速增长,为数据处理带来了诸多困难,维数灾难直接影响对数据的分析和解读。因此,在人工智能框架下,实现对基金业绩关联特征的提取和应用,为有效挖掘高维度特征提供一种新的方法和思路具有重要的现实意义。使用马尔科夫链蒙特卡洛框架下的吉布斯抽样算法,以比值比作为分类标准,实现从多维数据中提取与基金业绩相关的结构化和非结构化特征因子。以2018年中国较规范的701个债券型基金作为样本,从基金自身、基金管理人和基金关联实体3个维度出发,建立初始特征池,利用吉布斯抽样方法选出关联特征;以比值比指标作为分类标准,对特征进行与基金业绩强相关、一般相关和弱相关的分类,并通过基金业绩预测模型验证分类效果。研究结果表明,基于AIC方法和BIC方法的随机搜索方法均对指标起较好的筛选作用,即利用特征筛选后的指标建立的模型能较好地预测未来基金的业绩表现。除基金规模、历史投资业绩和声誉等信息是直接刻画基金投资管理能力的强关联风险特征指标外,基金管理团队能力和基金公司的经营状况也是描述基金投资管理能力的强关联特征指标。研究结果为金融科技领域处理海量的非结构化信息、实现有效的特征提取提供了一种思路和框架,特别是在面临海量高维度数据时,为如何有效地从低密度信息中提取特征指标并形成支持实践的运用提供了一个完整的案例。